CN116713631A - 焊接质量预测方法、装置和设备 - Google Patents

焊接质量预测方法、装置和设备 Download PDF

Info

Publication number
CN116713631A
CN116713631A CN202310754341.7A CN202310754341A CN116713631A CN 116713631 A CN116713631 A CN 116713631A CN 202310754341 A CN202310754341 A CN 202310754341A CN 116713631 A CN116713631 A CN 116713631A
Authority
CN
China
Prior art keywords
data
historical
quality prediction
training
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310754341.7A
Other languages
English (en)
Inventor
李璐璐
张寅�
路名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Datang Telecom Convergence Communications Co Ltd
Original Assignee
Datang Telecom Convergence Communications Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Datang Telecom Convergence Communications Co Ltd filed Critical Datang Telecom Convergence Communications Co Ltd
Priority to CN202310754341.7A priority Critical patent/CN116713631A/zh
Publication of CN116713631A publication Critical patent/CN116713631A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种焊接质量预测方法、装置和设备，涉及焊接质量检测技术领域，方法包括：获取多组历史焊接数据并进行预处理，确定历史数据集；将历史数据集按照预设比例划分为训练集和测试集；对训练集进行模型训练，确定质量预测模型；在判断质量预测模型对测试集的预测精准度满足预设评估条件的情况下，确定目标质量预测模型；通过目标质量预测模型对目标焊接数据进行质量预测。采用本发明实施例提供的焊接质量预测方法可以实现通过目标质量预测模型对实时采集到的焊接数据进行实时预测，操作透明并且有着较高的计算效率和准确度。

Description

焊接质量预测方法、装置和设备
技术领域
本发明涉及焊接质量检测技术领域，尤其是指一种焊接质量预测方法、装置和设备。
背景技术
焊接是现代机械制造业中一种常用的工艺方法，以焊枪为工具，以焊点的形式将两种或两种以上同种或异种金属材料通过原子或分子之间的结合和扩散连接成一体，在汽车制造的应用十分广泛。
汽车制造领域中对焊接工艺有严格的要求，只有严格的要求才能保证汽车的轻量化和安全性，优秀的焊接工艺应当满足这些要求：生产节效率高、一次成品率高、故障率低、返工率低等。焊接过程中经常容易出现“飞溅”的现象，根据电阻变化曲线，波动跳跃越大，“飞溅”现象越严重，从而引发较差的焊点质量和较高的使用能耗，传统的焊接质量检测方法通常是人力检测，耗时耗力。
现有技术往往通过专业的技术人员对焊接质量打分评定，效率低并且会造成高昂的人工成本。而且检测质量的过程往往是通过工艺完成后对设备进行检测，会造成时间的延误。
机器学习方法检测焊接质量可以提高效率，但是现有的机器学习方法大多采用神经网络等黑箱算法，操作不透明，所有推理过程不可逆以及随机，有悖于工业场景下人在环的理念。
发明内容
本发明的目的是提供一种焊接质量预测方法、装置和设备，用于解决现有技术中焊接质量检测的效率低和不透明的问题。
为了解决上述技术问题，本发明实施例提供一种焊接质量预测方法，所述方法包括：
获取多组历史焊接数据并进行预处理，确定历史数据集；
将所述历史数据集按照预设比例划分为训练集和测试集；
对所述训练集进行模型训练，确定质量预测模型；
在判断所述质量预测模型对所述测试集的预测精准度满足预设评估条件的情况下，确定目标质量预测模型；
通过所述目标质量预测模型对目标焊接数据进行质量预测。
可选地，所述获取多组历史焊接数据并进行预处理，确定历史数据集，包括：
对所述多组历史焊接数据进行筛选，确定多组第一历史焊接数据；
对所述多组第一历史焊接数据按照历史评分划分等级，确定历史焊接数据集；
其中，所述历史焊接数据集中，历史评分大于或者等于第一阈值的所述第一历史焊接数据标注为良好等级，历史评分小于所述第一阈值的所述第一历史焊接数据标注为不良等级。
可选地，所述对所述多组历史焊接数据进行筛选，确定多组第一历史焊接数据，包括：
通过k均值聚类算法对所述多组历史焊接数据进行聚类，排除出离群的历史焊接数据，确定多组第一历史焊接数据。
可选地，所述对所述训练集进行模型训练，确定质量预测模型，包括：
确定所述训练集中的训练数据对应的至少一特征为相关特征；
将所述训练集输入逻辑回归模型，并根据至少一所述相关特征进行模型训练；
利用网络搜索算法选取所述逻辑回归模型对应的模型参数，确定质量预测模型。
可选地，所述确定所述训练集中的训练数据对应的至少一特征为相关特征，包括：
获取所述训练集中的训练数据对应的多个特征分别与所述训练数据的等级的多个相关系数；
在所述特征对应的所述相关系数的绝对值大于第一阈值的情况下，确定为相关特征。
可选地，所述方法还包括：
将所述测试集输入所述质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级；
将每一组所述测试数据对应的所述预测等级与历史等级分别进行对比，获得所述质量预测模型的预测精准度；
其中，所述历史等级为按照历史评分对所述测试数据划分的等级。
可选地，所述将所述测试集输入所述质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级，包括：
将所述测试集输入所述质量预测模型，获取每一组所述测试数据对应的预测值；
在判断所述预测值大于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为良好等级；
在判断所述预测值小于或者等于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为不良等级。
本发明实施例还提供一种焊接质量预测装置，所述装置包括：
处理模块，用于获取多组历史焊接数据并进行预处理，确定历史数据集；
划分模块，用于将所述历史数据集按照预设比例划分为训练集和测试集；
训练模块，用于对所述训练集进行模型训练，确定质量预测模型；
模型确定模块，用于在判断所述质量预测模型对所述测试集的预测精准度满足预设评估条件的情况下，确定目标质量预测模型；
质量预测模块，用于通过所述目标质量预测模型对目标焊接数据进行质量预测。
本发明实施例还提供一种处理设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其中，所述处理器用于读取存储器中的程序，执行如上任一项所述的焊接质量预测方法。
本发明的上述技术方案的有益效果如下：
上述方案中，通过对历史焊接数据进行模型训练，确定目标质量预测模型，通过本发明实施例提供的目标质量预测模型可以实现对实时采集到的焊接数据进行实时预测，操作透明并且有着较高的计算效率和准确度。
附图说明
图1为本发明实施例提供的焊接质量预测方法的流程示意图；
图2为采用本发明实施例提供的焊接质量预测方法的流程示意图；
图3为本发明实施例提供的焊接质量预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种焊接质量预测方法，所述方法包括：
步骤S101，获取多组历史焊接数据并进行预处理，确定历史数据集；
步骤S102，将所述历史数据集按照预设比例划分为训练集和测试集；
步骤S103，对所述训练集进行模型训练，确定质量预测模型；
步骤S104，在判断所述质量预测模型对所述测试集的预测精准度满足预设评估条件的情况下，确定目标质量预测模型；
步骤S105，通过所述目标质量预测模型对目标焊接数据进行质量预测。
本发明实施例中，步骤S101中，获取多组历史焊接数据，每组焊接数据包括一个焊点焊接时对应的电流值、电阻值、电压值、功率值、时间和人工评分。对多组历史焊接数据进行预处理，排除异常数据，并对每个数据按照人工评分划分等级，确定用于训练模型的历史数据集，使生成的质量预测模型更加准确。
步骤S102中，将所述历史数据集按照预设比例划分为训练集和测试集，分别用于训练和测试质量预测模型；例如，将历史数据集中的历史数据平均划分为10组，随机选择7组划分为训练集，剩余3组划分为测试集。
步骤S103中，首先选择需要训练的模型，然后输入训练集进行模型训练，在训练过程中不断的选择模型参数生成质量预测模型。
步骤S104中，用测试集检测步骤S103生成的质量预测模型的精确度，在满足预设评估条件的情况下，确定为目标质量预测模型。
步骤S105，将目标质量模型投入实际应用中，将实时采集到的焊接数据输入目标质量预测模型，可以实时预测对应焊接数据的焊接质量，标记质量不良的数据，做到控制焊接质量，减少返工和废品率。
采用本发明所述实施例可以确定目标质量预测模型，并通过目标质量预测模型可以实现对实时采集到的焊接数据进行实时预测，操作透明并且有着较高的计算效率和准确度。
可选地，所述获取多组历史焊接数据并进行预处理，确定历史数据集，包括：
对所述多组历史焊接数据进行筛选，确定多组第一历史焊接数据；
对所述多组第一历史焊接数据按照历史评分划分等级，确定历史焊接数据集；
其中，所述历史焊接数据集中，历史评分大于或者等于第一阈值的所述第一历史焊接数据标注为良好等级，历史评分小于所述第一阈值的所述第一历史焊接数据标注为不良等级。
本发明实施例中，对步骤S101中预处理方法进行具体说明，在获取的多组历史焊接数据之间进行对比，排除电流值、电阻值、电压值、功率值和时间中与常识不符的数据和人工评分明显异常的数据，例如，两组数据的电流值、电阻值、电压值、功率值和时间非常接近，但是人工评分其中一个为90，另一个为60，很明显存在至少一数据人工评分异常，通过判断排出异常数据，确定多组第一历史焊接数据。对所述多组第一历史焊接数据按照历史评分划分等级，历史评分大于或者等于第一阈值的所述第一历史焊接数据标注为良好等级，历史评分小于所述第一阈值的所述第一历史焊接数据标注为不良等级，确定历史焊接数据集。
可选地，所述对所述多组历史焊接数据进行筛选，确定多组第一历史焊接数据，包括：
通过k均值聚类算法对所述多组历史焊接数据进行聚类，排除出离群的历史焊接数据，确定多组第一历史焊接数据。
本发明实施例中，对步骤S101中筛选方法进行具体说明，在获取的多组历史焊接数据之后，通过k均值聚类算法(K-means)对多组历史焊接数据进行聚类，排除出离群的历史焊接数据，避免了数据过拟合，排除了异常数据，其中，聚类类别可以设置为3，也可以根据实际情况设置为其他数值，只要能达到相同效果即可，本发明不在此设限。
可选地，所述对所述训练集进行模型训练，确定质量预测模型，包括：
确定所述训练集中的训练数据对应的至少一特征为相关特征；
将所述训练集输入逻辑回归模型，并根据至少一所述相关特征进行模型训练；
利用网络搜索算法选取所述逻辑回归模型对应的模型参数，确定质量预测模型。
本发明实施例中，通过相关矩阵发现历史焊接数据具有线性相关性，根据奥卡姆剃刀原则，模型越简单越好，所以本发明实施例选用了逻辑回归模型，并且逻辑回归模型具有操作透明和解释性强的优点。逻辑回归模型本质就是将线性回归模型通过S型函数(Sigmoid)进行了一个非线性转换，得到一个介于0～1之间的概率值；我们只需将数据判断为良好等级或者不良等级即可，所以让其中一类标签为0，表示为不良焊点类，另一类为1，表示为优良焊点类，或者其中一类标签为0，表示为优良焊点类，另一类为1，表示为不良焊点类。
其中，Sigmoid函数的表达式为Xi表示第i个数据，W表示p维列向量，T表示转置，b表示待求参数。
对步骤S103进行具体说明，训练数据对应的特征包括但不限于电流、电阻、电压、时间和功率。但是每个特征与训练数据的等级的相关性不同，选取与训练数据的等级的相关性高的至少一特征作为模型训练的输入特征列。将所述训练集输入逻辑回归模型，通过基于Python语言的机器学习工具包(Scikit-Learn，Sklearn)中的逻辑回归算法进行训练，将训练数据输入Sigmoid函数的表达式中，其间，通过网络搜索算法选取所述逻辑回归模型对应的参数b，确定质量预测模型。
可选地，所述确定所述训练集中的训练数据对应的至少一特征为相关特征，包括：
获取所述训练集中的训练数据对应的多个特征分别与所述训练数据的等级的多个相关系数；
在所述特征对应的所述相关系数的绝对值大于第一阈值的情况下，确定为相关特征。
本发明实施例中，对步骤S103中确定相关特征的方法进一步说明，通过斯皮尔曼秩相关系数(The Spearman’s rank coefficient of correlation，Src)度量每个特征与数据等级两个变量之间的统计相关性，获取对应的相关系数，选取相关系数的绝对值大于第一阈值的特征作为相关特征。
可选地，所述方法还包括：
将所述测试集输入所述质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级；
将每一组所述测试数据对应的所述预测等级与历史等级分别进行对比，获得所述质量预测模型的预测精准度；
其中，所述历史等级为按照历史评分对所述测试数据划分的等级。
本发明实施例中，在通过网络搜索算法选取所述逻辑回归模型对应的参数b，确定质量预测模型后，将测试集输入质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级，将每一组测试数据的预测等级与按照历史评分划分的等级进行对比，获取模型的预测精准度；其中，预测精准度包括准确率(Accuracy)、精确率(Precision)、召回率(Recall)、综合评价指标(F-Measure，F1)和AUC值。
可选地，所述方法还包括：
在判断所述质量预测模型对所述测试集的预测精准度不满足预设评估条件的情况下，通过网络搜索算法重新选取参数b，确定质量预测模型。
本发明实施例中，若预测精准度不满足预设评估条件，网络搜索算法重新选取参数b，直到生成的质量预测模型对测试集的预测精准度满足预设评估条件；其中，预设评估条件为根据实际情况提前设置的准确率(Accuracy)、精确率(Precision)、召回率(Recall)、综合评价指标(F-Measure，F1)和AUC值的具体数值。
可选地，所述将所述测试集输入所述质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级，包括：
将所述测试集输入所述质量预测模型，获取每一组所述测试数据对应的预测值；
在判断所述预测值大于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为良好等级；
在判断所述预测值小于或者等于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为不良等级。
本发明实施例中，由于Sigmoid函数对于输入的每一组数据Xi,都能映射成介于0和1之间的概率值即预测值。但是我们前面设置的0表示不良焊点，1表示优良焊点，或者0表示优良焊点，1表示不良焊点，对于0和1之间的数值无法判定，所以我们对数据进行归类，下面进行举例说明，在第一阈值为0.5的情况下，预测值小于或者等于0.5的情况下，判定属于0；预测值大于0.5的情况下，判定属于1。
通过采用本实施例可以精确筛选出不良焊点类，极大缩小检测质量的范围，也可以大致确定哪些焊点即将要维护。
如图2所示，采用本发明实施例所述质量预测方法的具体步骤为：
步骤S201，获取多组历史焊接数据并进行预处理，排除异常数据，并对每组数据标注质量等级，确定历史数据集；
步骤S202，将所述历史数据集按照预设比例划分为训练集和测试集；
步骤S203，确定所述训练集中的训练数据对应的至少一特征为相关特征；
步骤S204，将所述训练集输入逻辑回归模型，并根据至少一所述相关特征进行模型训练；
步骤S205，利用网络搜索算法选取所述逻辑回归模型对应的模型参数，确定质量预测模型；
步骤S206，将所述测试集输入所述质量预测模型，获得所述质量预测模型的预测精准度；
步骤S207，判断预测精准度是否满足预设评估条件，若满足，转S208，若不满足，转S205；
步骤S208，确定目标质量预测模型；
步骤S209，通过所述目标质量预测模型对目标焊接数据进行质量预测。本发明的上述实施例中，通过对历史焊接数据的学习确定目标质量预测模型，通过上述目标质量预测模型可以实现对实时采集到的焊接数据进行实时预测，操作透明并且有着较高的计算效率和准确度。
如图3所示，本发明实施例还提供一种焊接质量预测装置，所述装置包括：
处理模块301，用于获取多组历史焊接数据并进行预处理，确定历史数据集；
划分模块302，用于将所述历史数据集按照预设比例划分为训练集和测试集；
训练模块303，用于对所述训练集进行模型训练，确定质量预测模型；
模型确定模块304，用于在判断所述质量预测模型对所述测试集的预测精准度满足预设评估条件的情况下，确定目标质量预测模型；
质量预测模块305，用于通过所述目标质量预测模型对目标焊接数据进行质量预测。
可选地，所述处理模块301包括：
筛选单元，用于对所述多组历史焊接数据进行筛选，确定多组第一历史焊接数据；
第一等级划分单元，用于对所述多组第一历史焊接数据按照历史评分划分等级，确定历史焊接数据集；
其中，所述历史焊接数据集中，历史评分大于或者等于第一阈值的所述第一历史焊接数据标注为良好等级，历史评分小于所述第一阈值的所述第一历史焊接数据标注为不良等级。
可选地，所述筛选单元还用于通过k均值聚类算法对所述多组历史焊接数据进行聚类，排除出离群的历史焊接数据，确定多组第一历史焊接数据。
可选地，所述训练模块303包括：
特征确定单元，用于确定所述训练集中的训练数据对应的至少一特征为相关特征；
模型训练单元，用于将所述训练集输入逻辑回归模型，并根据至少一所述相关特征进行模型训练；
参数选取单元，用于利用网络搜索算法选取所述逻辑回归模型对应的模型参数，确定质量预测模型。
可选地，所述特征确定单元还用于获取所述训练集中的训练数据对应的多个特征分别与所述训练数据的等级的多个相关系数；
在所述特征对应的所述相关系数的绝对值大于第一阈值的情况下，确定为相关特征。
可选地，所述装置还包括：
等级预测模块，用于将所述测试集输入所述质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级；
对比模块，用于将每一组所述测试数据对应的所述预测等级与历史等级分别进行对比，获得所述质量预测模型的预测精准度；
其中，所述历史等级为按照历史评分对所述测试数据划分的等级。
可选地，所述等级预测模块包括：
预测单元，用于将所述测试集输入所述质量预测模型，获取每一组所述测试数据对应的预测值；
第二等级划分单元，用于在判断所述预测值大于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为良好等级；
在判断所述预测值小于或者等于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为不良等级。
需要说明的是，该装置的实施例是与上述方法的实施例相对应的装置，上述方法的实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明实施例还提供一种处理设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其中，所述处理器用于读取存储器中的程序，执行如上任一项所述的焊接质量预测方法。
综上所述，采用本发明实施例提供的焊接质量预测方法，可以对实时采集的焊接数据进行实时预测，计算效率高，并且预测精准度有一定的保证，可以控制焊接质量，减少返工和废品率；相对于人工预测，本发明实施例提供的目标质量预测模型具有效率高和成本低的优点，相对于采用神经网络算法的模型，操作透明，可以追溯数据。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种焊接质量预测方法，其特征在于，所述方法包括：
获取多组历史焊接数据并进行预处理，确定历史数据集；
将所述历史数据集按照预设比例划分为训练集和测试集；
对所述训练集进行模型训练，确定质量预测模型；
在判断所述质量预测模型对所述测试集的预测精准度满足预设评估条件的情况下，确定目标质量预测模型；
通过所述目标质量预测模型对目标焊接数据进行质量预测。
2.根据权利要求1所述的焊接质量预测方法，其特征在于，所述获取多组历史焊接数据并进行预处理，确定历史数据集，包括：
对所述多组历史焊接数据进行筛选，确定多组第一历史焊接数据；
对所述多组第一历史焊接数据按照历史评分划分等级，确定历史焊接数据集；
其中，所述历史焊接数据集中，历史评分大于或者等于第一阈值的所述第一历史焊接数据标注为良好等级，历史评分小于所述第一阈值的所述第一历史焊接数据标注为不良等级。
3.根据权利要求2所述的焊接质量预测方法，其特征在于，所述对所述多组历史焊接数据进行筛选，确定多组第一历史焊接数据，包括：
通过k均值聚类算法对所述多组历史焊接数据进行聚类，排除出离群的历史焊接数据，确定多组第一历史焊接数据。
4.根据权利要求1所述的焊接质量预测方法，其特征在于，所述对所述训练集进行模型训练，确定质量预测模型，包括：
确定所述训练集中的训练数据对应的至少一特征为相关特征；
将所述训练集输入逻辑回归模型，并根据至少一所述相关特征进行模型训练；
利用网络搜索算法选取所述逻辑回归模型对应的模型参数，确定质量预测模型。
5.根据权利要求4所述的焊接质量预测方法，其特征在于，所述确定所述训练集中的训练数据对应的至少一特征为相关特征，包括：
获取所述训练集中的训练数据对应的多个特征分别与所述训练数据的等级的多个相关系数；
在所述特征对应的所述相关系数的绝对值大于第一阈值的情况下，确定为相关特征。
6.根据权利要求1所述的焊接质量预测方法，其特征在于，所述方法还包括：
将所述测试集输入所述质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级；
将每一组所述测试数据对应的所述预测等级与历史等级分别进行对比，获得所述质量预测模型的预测精准度；
其中，所述历史等级为按照历史评分对所述测试数据划分的等级。
7.根据权利要求6所述的焊接质量预测方法，其特征在于，所述将所述测试集输入所述质量预测模型，获得所述测试集中多组测试数据分别对应的预测等级，包括：
将所述测试集输入所述质量预测模型，获取每一组所述测试数据对应的预测值；
在判断所述预测值大于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为良好等级；
在判断所述预测值小于或者等于第一阈值的情况下，确定所述预测值对应的所述测试数据的预测等级为不良等级。
8.一种焊接质量预测装置，其特征在于，所述装置包括：
处理模块，用于获取多组历史焊接数据并进行预处理，确定历史数据集；
划分模块，用于将所述历史数据集按照预设比例划分为训练集和测试集；
训练模块，用于对所述训练集进行模型训练，确定质量预测模型；
模型确定模块，用于在判断所述质量预测模型对所述测试集的预测精准度满足预设评估条件的情况下，确定目标质量预测模型；
质量预测模块，用于通过所述目标质量预测模型对目标焊接数据进行质量预测。
9.一种处理设备，其特征在于，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其中，所述处理器用于读取存储器中的程序，执行权利要求1至7任一项所述的焊接质量预测方法。
CN202310754341.7A 2023-06-25 2023-06-25 焊接质量预测方法、装置和设备 Pending CN116713631A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310754341.7A CN116713631A (zh) 2023-06-25 2023-06-25 焊接质量预测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310754341.7A CN116713631A (zh) 2023-06-25 2023-06-25 焊接质量预测方法、装置和设备

Publications (1)

Publication Number Publication Date
CN116713631A true CN116713631A (zh) 2023-09-08

Family

ID=87871342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310754341.7A Pending CN116713631A (zh) 2023-06-25 2023-06-25 焊接质量预测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN116713631A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117415502A (zh) * 2023-11-15 2024-01-19 广州飞数工业软件有限公司 基于工业互联网的焊接质量预测模型训练方法及监测方法
CN118700166A (zh) * 2024-08-31 2024-09-27 江苏图灵智能机器人有限公司 一种具有参数预测功能的焊接机器人

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117415502A (zh) * 2023-11-15 2024-01-19 广州飞数工业软件有限公司 基于工业互联网的焊接质量预测模型训练方法及监测方法
CN118700166A (zh) * 2024-08-31 2024-09-27 江苏图灵智能机器人有限公司 一种具有参数预测功能的焊接机器人

Similar Documents

Publication Publication Date Title
CN116713631A (zh) 焊接质量预测方法、装置和设备
CN110532471B (zh) 基于门控循环单元神经网络的主动学习协同过滤方法
CN107092582A (zh) 一种基于残差后验的异常值在线检测及置信度评估方法
CN108241901B (zh) 一种基于预测数据的变压器预警评估方法及装置
CN111340110B (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
Pani et al. A survey of data treatment techniques for soft sensor design
CN112818608A (zh) 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法
CN115760484A (zh) 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
CN114358213A (zh) 非线性时序数据预测的误差消融处理方法及系统与介质
CN111680712B (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN111863151B (zh) 基于高斯过程回归的聚合物分子量分布的预测方法
CN107016416A (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
CN112257942A (zh) 一种应力腐蚀开裂预测方法及系统
CN114565139A (zh) 基于lstm模型的汽车车身焊接工艺质量评分预测方法及装置
Basha et al. Enhancing red wine quality prediction through Machine Learning approaches with Hyperparameters optimization technique
CN112241832A (zh) 一种产品质量分级评价标准设计方法及系统
KR102504230B1 (ko) 머신러닝의 드리프트 현상 탐지를 이용한 재훈련 시스템 및 방법
Chiu et al. A hybrid wine classification model for quality prediction
Gan Discrete Hopfield neural network approach for crane safety evaluation
CN111062118B (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法
CN117909853B (zh) 基于机理与工况大数据的设备损伤智能监测方法及系统
CN118395309B (zh) 一种变压器油中溶解气体含量预测方法、装置、设备及介质
Topalova et al. Automated classification of heat resistant steel structures based on neural networks
CN116402241B (zh) 一种基于多模型的供应链数据预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Country or region after: China

Address after: 100029 room 1004, 10th floor, building 26, 40 Xueyuan Road, Haidian District, Beijing

Applicant after: Guotou Fusion Technology Co.,Ltd.

Address before: 100029 room 1004, 10th floor, building 26, 40 Xueyuan Road, Haidian District, Beijing

Applicant before: DATANG TELECOM CONVERGENCE COMMUNICATIONS CO.,LTD.

Country or region before: China

CB02 Change of applicant information